近年来无人自动驾驶已成为研究热点、难点,多家国内外大型研究机构和公司都聚焦于此,其中交通标志检测作为无人自动驾驶中的难点重点已成为学者们关注的焦点。基于深度学习方法的交通标志检测算法有适用范围广,性能优越,鲁棒性好等优点。目前交通标志检测方法研究的主要目的是提升检测速度或检测的准确度,但无人自动驾驶场景复杂多变,对检测速度和精度提出了很高的要求,目前还很难实现保证一定检测速度下高精度检测;同时在实际场景下交通标志图像在整个视场范围内所占比例很小,属于小目标检测,目前主流图像检测算法在小目标检测效果亟待提升。本文在YOLOv4和YOLOv4-tiny模型的基础上,针对上述问题对模型主干网络、检测头以及检测方法的研究:1.针对YOLOv4主干网络CSP-Darknet53中的ResNet网络只能提取当前层与前一层的特征,与其他远端层关联较弱,造成关键特征丢失,同时有较高的冗余度。提出了加入注意力机制——ECA-M的DPN模块代替ResNet模块,利用DPN模块同时提取所有层特征的特点,减少关键特征损失;并利用注意力机制——ECA-M,加强关键通道局部特征交互,减少背景通道特征比例,减少冗余。通过在公开的交通标志数据集上验证,改进后的模型在保证一定速度的基础上检测精度有所提升。2.利用解耦头改进YOLOv4-tiny检测头的模型研究。针对YOLOv4-tiny耦合头中分类与回归任务相互影响造成检测精度降低的问题,提出使用解耦头代替耦合头,将分类与回归任务分开进行,首先将输入进行1×1的降维,随后接两个分类与回归分支,为了减少超参数两个分支均由3×3的卷积组成,同时在回归分支上加入IoU分支由于确定目标是否存在。最后在数据集上验证,与其他算法相比,检测速度与精度均有所提升。3.引入无锚框检测机制优化YOLOv4-tiny检测方法。YOLOv4-tiny的有锚框算法在检测前需要预先设定一组满足使用数据集的预选框,产生大量无效锚框,造成计算机内存占有量过高,同时在使用不同数据集时都需要重新选取预选框,使得模型的普适性不强。引入无锚框算法,无需预设候选框,直接在检测过程中确定目标的中心位置、偏移量,从而确定目标的边界框,有效地降低了模型计算量,提高检测速度。通过实验验证,改进方法有效地提升了模型的Fps。本文主要对YOLOv4模型检测的精确度和速度进行提升,改进了主干网络中的ResNet模块,以及检测方式与检测头,有效地提升了YOLOv4模型的性能。